얼굴 인식 관련 논문이다!
얼굴 인식에 대한 매우 분별력 있는 Features를 얻기 위한 Additive Angular Margin Loss(ArcFace)에 대해 알아보자.
직접 논문정리를 하려고 했으나, 이미 잘 정리된 곳이 있어 불러왔다. ABSTRACT를 간단하게 읽고 읽는 것을 추천한다.
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
Abstract
One of the main challenges in feature learning using Deep Convolutional Neural Networks (DCNNs) for largescale face recognition is the design of appropriate loss functions that enhance discriminative power. Centre loss penalises the distance between the deep features and their corresponding class centres in the Euclidean space to achieve intra-class compactness. SphereFace assumes that the linear transformation matrix in the last fully connected layer can be used as a representation of the class centres in an angular space and penalises the angles between the deep features and their corresponding weights in a multiplicative way.
Recently, a popular line of research is to incorporate margins in well-established loss functions in order to maximise face class separability. In this paper, we propose an Additive Angular Margin Loss (ArcFace) to obtain highly discriminative features for face recognition. The proposed ArcFace has a clear geometric interpretation due to the exact correspondence to the geodesic distance on the hypersphere. We present arguably the most extensive experimental evaluation of all the recent state-of-the-art face recognition methods on over 10 face recognition benchmarks including a new large-scale image database with trillion level of pairs and a large-scale video dataset.
We show that ArcFace consistently outperforms the state-of-the-art and can be easily implemented with negligible computational overhead. We release all refined training data, training codes, pre-trained models and training logs1, which will help reproduce the results in this paper.
대규모 얼굴 인식을 위한 심층 컨볼루션 신경 네트워크(DCNN)를 사용한 특징 학습의 주요 과제 중 하나는 차별적 힘을 강화하는 적절한 손실 기능의 설계이다. 중심 손실은 클래스 내 소형화를 달성하기 위해 유클리드 공간에서 깊은 형상과 그에 상응하는 클래스 중심 사이의 거리를 약화시킨다. SphereFace는 마지막 완전 연결 레이어의 선형 변환 매트릭스를 각도 공간에서 클래스 중심의 표현으로 사용할 수 있다고 가정하고 딥 피처와 해당 가중치 사이의 각도를 곱셈 방식으로 처벌한다.
최근, 인기 있는 연구 라인은 얼굴 등급 분리성을 극대화하기 위해 잘 확립된 손실 함수에 마진을 통합하는 것이다. 본 논문에서, 우리는 얼굴 인식을 위한 매우 차별적인 특징을 얻기 위한 추가 각도 여유 손실(ArcFace)을 제안한다. 제안된 아크 표면은 초구면상의 측지 거리와의 정확한 대응으로 인해 명확한 기하학적 해석을 가지고 있다. 우리는 수조 개의 쌍이 있는 새로운 대규모 이미지 데이터베이스와 대규모 비디오 데이터 세트를 포함하여 10개 이상의 얼굴 인식 벤치마크에서 모든 최신 얼굴 인식 방법에 대한 가장 광범위한 실험 평가를 틀림없이 제시한다.
우리는 ArcFace가 최신 기술을 지속적으로 능가하며 무시할 수 있는 컴퓨팅 오버헤드로 쉽게 구현될 수 있음을 보여준다. 본 문서에서 결과를 재현하는 데 도움이 되는 모든 정교한 교육 데이터, 교육 코드, 사전 교육 모델 및 교육 로그1을 공개합니다.
아주 정리가 잘 되어있다!!!
https://soobarkbar.tistory.com/60
ArcFace: Additive Angular Margin Loss for Deep Face Recognition
논문 https://arxiv.org/abs/1801.07698 Abstract 대규모 얼굴 인식 (Face Recognition) 에서 깊은 CNN (DCNNs, Deep Convolutional Neural Networks) 을 사용하는 Feature 학습의 중요한 과제 중 하나는 분별력 (..
soobarkbar.tistory.com
댓글